三维重建技术作为目前计算机视觉领域的主要研究方向之一,其已经被广泛应用于诸多领域。3D打印技术可以将真实物体的三维模型作为输入,实现对真实场景的1:1还原;历史文物可以通过数字化的方式,将三维模型保存到计算机中,避免自然因素和人为因素对文物的损坏;将精准的三维模型应用到电影产业中,达到震撼的视听效果。目前,三维重建算法得到的模型主要存在以下的问题:重建模型与ground-truth数据之间的误差大;网格面片质量差,其中存在一些不规则的面片,比如:自相交面片、高度折叠边面片。本文主要是对上述问题进行优化,以此提高重建模型的质量。考虑到基于深度相机三维重建和基于深度学习三维重建的局限性(硬件设备、训练时间、适用范围等),本文以多视图三维重建的一种实现---基于深度图的多视图三维重建算法,作为重建优化的研究基础。通过对传统的基于深度图重建算法进行分析,归纳出对重建模型有消极影响的因素,并针对这些因素进行优化设计和实现。本文主要做了以下的优化工作:将多约束条件应用到匹配视图选取中。通过基线约束、视角约束和像素约束获取参考视图的最佳匹配视图,并将其作为BM(Bidirectional Matching)算法的输入,获取初始深度信息。将概率模型应用到三维重建流程之中,通过在模型中设置隐藏变量实现像素级别的视图选取并且通过邻域像素点的深度值实现对初始深度信息的优化。通过深度图中对应空间三维点的法向量与相机方向向量之间的夹角,剔除掉深度图中的噪点,实现对深度图融合操作的预处理。以上优化算法已应用于多视图三维重建优化系统中。通过在标准公开ToHoKu数据集和真实场景数据集上进行三维重建的对比试验,验证了本文提出的优化算法可以同时提升重建模型的精度和网格面片的质量。